阿里开源了语音基座大模型：SenseVoice，专注于高精度多语言语音识别、情感辨识和音频事件检测

GitHub地址：https://github.com/FunAudioLLM/SenseVoice

SenseVoice是具有音频理解能力的音频基础模型，包括语音识别（ASR）、语种识别（LID）、语音情感识别（SER）和声学事件分类（AEC）或声学事件检测（AED）。

特性：

多语言识别： 采用超过40万小时数据训练，支持超过50种语言，识别效果上优于Whisper模型。

富文本识别：

----具备优秀的情感识别，能够在测试数据上达到和超过目前最佳情感识别模型的效果。

----支持声音事件检测能力，支持音乐、掌声、笑声、哭声、咳嗽、喷嚏等多种常见人机交互事件进行检测。

高效推理： SenseVoice-Small模型采用非自回归端到端框架，推理延迟极低，10s音频推理仅耗时70ms，15倍优于Whisper-Large。

微调定制： 具备便捷的微调脚本与策略，方便用户根据业务场景修复长尾样本问题。

服务部署： 具有完整的服务部署链路，支持多并发请求，支持客户端语言有，python、c++、html、java与c#等。